[논문 리뷰] Bgolearn: a Unified Bayesian Optimization Framework for Accelerating Materials Discovery

Bin Cao, Jie Xiong외 11명|arXiv (Cornell University)|2026. 01. 11.

Machine Learning in Materials Science인용 수 0

한 줄 요약

Bgolearn은 재료 발견을 위한 생산준비 완료된 베이지안 최적화 도구킷을 제공하여 단일- 및 다중목표 최적화를 다양한 대리 모델과 획득 함수로 지원하고 GUI를 포함하여 실험 요구를 40–60% 감소시킵니다.

ABSTRACT

Efficient exploration of vast compositional and processing spaces is essential for accelerated materials discovery. Bayesian optimization (BO) provides a principled strategy for identifying optimal materials with minimal experiments, yet its adoption in materials science is hindered by implementation complexity and limited domain-specific tools. Here, we present Bgolearn, a comprehensive Python framework that makes BO accessible and practical for materials research through an intuitive interface, robust algorithms, and materials-oriented workflows. Bgolearn supports both single-objective and multi-objective Bayesian optimization with multiple acquisition functions (e.g., expected improvement, upper confidence bound, probability of improvement, and expected hypervolume improvement etc.), diverse surrogate models (including Gaussian processes, random forests, and gradient boosting etc.), and bootstrap-based uncertainty quantification. Benchmark studies show that Bgolearn reduces the number of required experiments by 40-60% compared with random search, grid search, and genetic algorithms, while maintaining comparable or superior solution quality. Its effectiveness is demonstrated not only through the studies presented in this paper, such as the identification of maximum-elastic-modulus triply periodic minimal surface structures, ultra-high-hardness high-entropy alloys, and high-strength, high-ductility medium-Mn steels, but also by numerous publications that have proven its impact in material discovery. With a modular architecture that integrates seamlessly into existing materials workflows and a graphical user interface (BgoFace) that removes programming barriers, Bgolearn establishes a practical and reliable platform for Bayesian optimization in materials science, and is openly available at https://github.com/Bin-Cao/Bgolearn.

연구 동기 및 목표

• Bayesian optimization을 통해 고성능 재료를 발견하는 데 필요한 실험 수를 줄이는 것.
• 연구자들의 구현 장벽을 낮추는 재료 친화적 인터페이스와 워크플로를 제공하는 것.
• 재료 특성 간의 트레이드오프를 다루기 위해 단일 객체ives와 다중 객체비스 최적화를 모두 가능하게 하는 것.
• 고차원 설계 공간에 적합한 확장 가능한 대리 모델과 불확실성 정량화를 제공하는 것.
• 그래픽 사용자 인터페이스(BgoFace) 및 재료 과학 분야에서 BO를 민주화하기 위한 오픈 소스 도구를 제공하는 것.

제안 방법

• BO를 3–5줄의 코드로 단순화하되 사용자 정의를 희생하지 않는 통합된 재료 지향 API를 도입하는 것.
• EHVI, qNEHVI, MO-PI, MO-UCB와 같은 획득 함수를 사용한 다중 목표 베이지안 최적화를 지원하는 것.
• Gaussian 프로세스, 랜덤 포레스트, 그래디언트 부스팅, SVR, 신경망을 포함한 유연한 대리 모델과 모델 선택을 위한 교차 검증을 제공하는 것.
• 비-GP 대리 모델에 대한 부트스트랩 기반 불확실성 정량화를 도입하여 확장 가능한 MOBO를 가능하게 하는 것.
• 재현성을 위한 동등한 Python 코드를 생성하고 프로그래밍 장벽을 낮추는 GUI인 BgoFace를 포함하는 것.

실험 결과

연구 질문

• RQ1 Bgolearn이 고차원 문제에서 무작위 탐색 및 LHS와 같은 베이스라인에 비해 데이터 효율적인 단일 객체 최적화를 달성할 수 있는가?
• RQ2 NSGA-II 및 무작위 기준선에 비해 Pareto 프런트 품질(예: 하이퍼볼륨) 측면에서 다중 목적 최적화에서 Bgolearn의 성능은 어떠한가?
• RQ3 다양한 대리 모델과 획득 함수가 재료 설계 문제의 서로 다른 상황에서 견고한 성능을 제공하는가?
• RQ4 Bgolearn의 부트스트랩 기반 불확실성 정량화가 비-GP 대리 모델과 함께 확장 가능한 MOBO를 가능하게 하면서 해법의 품질을 유지하는가?
• RQ5 GUI(BgoFace)가 프로그래밍 경험이 제한된 재료 연구자들의 채택 속도와 사용자 경험에 미치는 실용적 영향은 무엇인가?

주요 결과

• Bgolearn은 무작위 탐색, 격자 탐색 및 유전 알고리즘과 비교했을 때 약 40–60%의 필요한 실험 수를 줄이면서도 동등하거나 우수한 해법 품질을 유지합니다.
• 단일 객체 벤치마크에서 Bgolearn-GP는 EI로 최적해의 90%에 도달하는 데 기준선보다 훨씬 적은 반복으로 도달합니다(예: Hartmann-6D 및 Ackley-5D).
• 다중 목표 문제에서 Bgolearn은 EHVI를 사용하여 ZDT1 및 DTLZ2 벤치마크에서 무작위 탐색 및 NSGA-II보다 더 높은 하이퍼볼륨을 달성합니다.
• Bgolearn-RF는 계산 시간이 크게 단축되어 고처리량 캠페인에 적합합니다.
• 실세계 응용에서 Bgolearn이 고성능 TPMS 구조, 초고경도 HEA, 강하고 연성인 중간-Mn강을 식별해 금속, 기능재료 및 공학 시스템 전반에 걸친 실용적 영향력을 보여줍니다.
• BgoFace GUI는 초보 사용자의 경우 첫 작업을 빠르게 완료할 수 있게 하며(처음 사용 시 10–15분), 재현 가능한 파이썬 코드를 자동으로 생성합니다.